IoT, Computer Vision und Deep Learning.

Neue Technologien wie IoT, Computer Vision und Deep Learning helfen Prozesse zu automatisieren. (Bild: greenbutterfly - stock.adobe.com)

ArcelorMittal Poland, der größte Stahlproduzent in Polen, transportiert jeden Tag riesige Mengen an naturgemäß schweren Materialien: Selbst die kleineren Ladungen wiegen oft über 20 Tonnen. Die Rohmaterialien und Fertigerzeugnisse werden innerhalb eines Werks, zwischen verschiedenen Fabriken und zu den Endkunden transportiert. Täglich sind über tausend Waggons pro Fabrik auf der Schiene unterwegs – und jeder davon muss überwacht werden.

Es gilt, unter anderem den aktuellen Lagerort der Materialien, ihren Zustand und die Geschwindigkeit zu verfolgen, mit denen sich die Güter während des Transports bewegen. So lassen sich zum Beispiel Produkte jederzeit nachverfolgen oder Ankunftszeiten prognostizieren. Bisher gestaltete sich diese Aufgabe manuell und mühsam: Die Mitarbeitenden schauten Videoübertragungen an, um die eintreffenden Wagen zu identifizieren, zu kategorisieren und zu markieren. Gleich an mehreren Kontrollpunkten werden die Waggons zum Beispiel gewogen. Für die zeitintensiven Abläufe war dabei rund um die Uhr viel Personal notwendig.

Robuste und skalierbare Überwachung der Bahnwaggons

Das Stahlunternehmen entschied sich daher, stattdessen auf neue Technologien wie IoT, Computer Vision und Deep Learning zu setzen. Die Lösung von Intel ahmt praktisch das menschliche Sehen nach und erlaubt so die Automatisierung von Prozessen, die vorher ohne Personal kaum umsetzbar waren.

Aufgrund der rauen Umgebungsbedingungen war eine skalierbare, automatisierte Plattform gefragt, die über ausreichende Robustheit gegenüber Hitze, Frost und Regen verfügt. Die IntelDistribution des OpenVINO Toolkit legt die Basis dafür, die aus den Eisenbahnwagen stammenden Daten nahezu in Echtzeit zu erkennen und aufzuzeichnen: Der kostenlose Software-Baukasten hilft Entwicklern und Data Scientists dabei, die Computer-gestützte Bilderkennung zu beschleunigen und die damit verbundene Datenverarbeitung vom Edge bis in die Cloud effizient zu organisieren. Für die Bilderfassung kommen zwei Kameras pro Kontrollpunkt zum Einsatz, um wichtige Daten schnell und präzise zu erfassen. Beim Wiegen gleicht der Algorithmus das Frachtgewicht mit dem Bild des Waggons ab.

 

Computer Vision ohne große Hardware-Investments

Die Ausführung von Inferenzierungs- und Deep-Learning-Modellen wird durch integrierte Schaltkreise in Form von Intel Arria FPGAs (Field Programmable Gate Array) beschleunigt, um eine höhere Effizienz zu erzielen. Der Stahlhersteller verwendete bereits Intel-Prozessoren auf seinen lokalen Servern. Der Vorteil im Vergleich zum ebenfalls angedachten GPU-Einsatz: Die Lösung kann in den von der IT verwalteten Rechenzentren betrieben werden, eine kostspielige neue Infrastruktur für die Entwicklung war nicht nötig.

Die Intel-OpenVINO-Distribution trägt erheblich zur Effizienz bei: Statt nur zwei oder drei können 19 Bilder pro Sekunde verarbeitet werden. Zudem kommt die Lösung mit weniger als sechs Gigabyte Arbeitsspeicher aus, ohne Optimierung waren es mehr als 60 Gigabyte. ArcelorMittal Poland konnte mit den ersten Ergebnissen des Projekts wichtige Erkenntnisse gewinnen, die Genauigkeit im Prozess verbessern und die Rentabilität steigern.

Case Study: Hier lesen Sie die ganze Story!

Kostenlose Registrierung

Bleiben Sie stets zu allen wichtigen Themen und Trends informiert.
Das Passwort muss mindestens acht Zeichen lang sein.
*

Ich habe die AGB, die Hinweise zum Widerrufsrecht und zum Datenschutz gelesen und akzeptiere diese.

*) Pflichtfeld

Sie sind bereits registriert?

Dieser Beitrag wird präsentiert von: